基于火焰图像的煤粉与炉内热流混合效果评价方法及应用

于 磊，刘 禾，杨国田，李新利，胡叙畅

基于火焰图像的煤粉与炉内热流混合效果评价方法及应用

于 磊1，刘 禾1，杨国田1，李新利1，胡叙畅2

（1.华北电力大学控制与计算机工程学院，北京 102206；2.杭州应用声学研究所，浙江 杭州 310023）

燃烧器喷出的煤粉与炉内热流的混合效果对煤粉着火位置、着火速率、燃烧稳定性和燃烧效率具有重要影响，目前缺乏对这种混合效果的量化评价方法，为此提出了一种根据煤粉燃烧火焰图像来评价混合效果的方法。根据火焰图像特征，确定了火焰图像中用于评价混合效果的测量区域，在该区域内建立了反映混合效果的灰度参量和灰度位置分布参量，并由这2个参数构建了一个可量化评价混合效果的混合系数。实际应用表明：该方法能够有效地评价混合效果，为锅炉精细化燃烧优化提供了一种可量化控制的全新燃烧状态空间参量。

煤粉；热流；混合效果；混合系数；火焰图像；精细化燃烧；燃烧效率

燃烧器喷出煤粉与炉内热流的混合是燃烧反应的重要物理条件。混合使得热流对煤粉气流加热，以使其迅速着火。混合还会使得气流强烈扰动，为燃烧阶段的碳粒表面提供了燃烧所需氧气，并且在燃烧后期促使燃料燃尽。因此，混合效果不仅影响着煤粉着火时间、着火速率、燃烧稳定性[1]、中心温度和燃烧效率[2]，还会使污染气体排放增多[3-4]。可见，研究一种评价混合效果方法对提高锅炉安全性、经济性和环保性具有重要意义。

目前煤粉与热流气混合过程主要是数值模 拟[5-6]，现场缺乏测量混合效果的直接手段。现一些燃煤机组锅炉安装了火焰图像检测装置，该装置图像信息除用于燃烧着火检测[7]外，还被用于燃烧火焰状态判别[8-12]、燃烧优化[13-16]、燃烧温度场测 量[17-19]和NO排放量预测[20]等方面。另外火焰图像也提供了煤粉与热流气混合信息，但如何利用图像信息进行混合效果评价还需研究。

本文基于煤粉燃烧火焰图像信息，提出了一种煤粉与热流气混合效果的测量与评价方法，即从火焰图像中建立反映混合效果的灰度参量和灰度位置分布参量，并由这两参量构建一个混合系数，实现混合效果的数值评价。

1 混合效果图像特征

火焰图像传感器可检测燃烧器出口处的燃烧状况，根据燃烧状况可以将火焰图像分成3个特征区域：1）未燃烧区，这对应着火准备阶段，在该区域煤粉与周围热流混合，由于未燃烧，该区域对应的火焰图像亮度较低；2）初始燃烧区，在该区域煤粉与热流继续混合并开始燃烧，火焰图像亮度较高，这对应燃烧阶段；3）完全燃烧区，在该区域煤粉与热流充分混合并充分燃烧，火焰图像亮度高，这对应着燃烧和燃尽阶段。本文将初始燃烧区和完全燃烧区统称为燃烧区域。

煤粉质量浓度越高则火焰图像亮度越低，其灰度值越小，反之则灰度值越高。在未燃区，火焰图像灰度值低且幅值变化不显著；在燃烧区，灰度幅值高且变化显著[21]。从火焰图像灰度特征来看，煤粉与热流混合效果使得灰度变化显著区域在燃烧区，因此选火焰图像中的该区域作为混合效果测量及评价区域（简称测量区域）。

由于未燃烧区和燃烧区边界处的图像灰度值变化明显，因此采用煤粉射流方向上的像素点灰度梯度变化阈值来确定燃烧区边界[22-25]。图1为火焰图像中确定的测量区域和分割线。在测量区域中，煤粉与热流混合效果好时，由于煤粉与热流接触面较大，加热迅速，故初始燃烧区面积较小，完全燃烧区面积较大。在图像灰度特征和灰度位置特征上表现为靠近测量区域分割线的灰度值小的像素点较少。煤粉与热流混合效果差时，热交换慢，燃烧不及时，燃烧速率减慢，在图像灰度特征和灰度位置特征上表现为灰度值小的像素点较多，且远离分割线图像区域也有较多灰度值小的像素点。因此，可选择煤粉燃烧火焰图像的灰度特征和灰度位置分布特征来描述混合效果。

图1 火焰图像测量区域

2 混合效果评价

2.1 灰度参量

式中=1,2,…,。若像素点满足灰度级集合G的条件，则将该像素点归入第灰度级集合中。

为了描述测量区域的灰度特征，构建一个包含有测量区域内像素灰度级统计信息的灰度向量。在评价区域中，维灰度向量第分量是选择归属第灰度级集合的像素点数m与区域总像素点数的比值a=m/，将建立的维灰度向量与级灰度图像对应。当混合效果较差时，没有及时燃烧煤粉，图像中灰度值小的像素比较多，此时的像素点集中分布在较低灰度级集合；当混合效果较好时，充分燃烧煤粉，图像中灰度值大的像素比较多，此时的像素点集中分布在较高灰度级集合。在理想条件下，当混合效果最佳时，区域内的像素点应归属 第灰度级集合，其对应的维最佳特征向量为

best=(0,…,0,…,0,1) (2)

将测量区域的灰度向量=(1,…,a,…,a)与最佳灰度向量best=(0,…,0,…,0,1)的距离定义灰度距离为

=‖best-‖ (3)

由于best为混合效果最佳的灰度向量，则灰度向量距best越近，混合的效果就越好。

在上述维灰度空间中，每个分量对于混合效果评价的影响是相同的，而实际上，不同的灰度级集合对混合效果的评价影响是有差异的。因为，灰度值较小的灰度级集合像素点越多，说明混合效果越差。而灰度值较大的灰度级集合像素点越多，则说明混合效果就越好。为了能体现这一点，将权重值添加到评价中[26-27]。

可见，考虑一个与灰度级有关的权重，且灰度级越高，其权重应越小，综合以上因素，将权重设置为等比数列，权重向量为

以p表示权重向量中的第个分量，a、best分别表示、best第个分量的值。由此对式(4)的灰度距离公式进行权重修正，则得到反映混合效果的灰度参量表达式为

灰度参量越小，混合效果越好。灰度参量与混合效果呈负相关关系。

2.2 灰度位置分布参量

由于火焰图像的灰度位置分布状况也可表征混合效果，分块处理测量区域，对各块区域内的灰度分布信息进行提取，混合效果评价中引入图像像素在位置上的图像灰度分布。

首先，将测量区域分成个拥有×个像素点连续排列的子区域。由于燃烧的动态性，测量区域尺寸是时变的，因此子区域的个数也是时变的。

对每个子区域的灰度级信息进行统计，得到子区域灰度级特征

由式(7)可知子区域的灰度信息，以图像上子区域中心到测量区域分割线的距离s作为其位置信息，则可得到灰度位置分布参量

高灰度值的子区域距分割线越近，则灰度位置分布参量越小，表明混合效果越好。低灰度值的子区域距分割线越远，位置分布参量越大，则混合效果越差。灰度位置分布参量与混合效果呈负相关关系。

2.3 混合系数

在对混合效果进行评价时，综合考虑灰度的参量值以及灰度位置分布的参量值，归一化处理灰度参量值和灰度位置分布的参量值，使取值范围处于0~1以内。

灰度参量值归一化公式为

灰度位置分布参量值归一化公式为

通过归一化后的灰度参量和灰度位置分布参量的加权和来构建一个混合系数，评价混合效果。为了使混合效果评价值在0~1之间，取灰度参量与灰度位置分布参量的权重之和为1，因两参量与混合效果均呈负相关关系，为了使混合效果评价与混合系数成正相关的关系，定义混合系数为

式中为权重系数。

3 实际应用

将上述评价方法应用于国内某电厂660 MW燃煤机组的数字化锅炉燃烧状态监控系统中，图2为3个不同燃烧器的火焰视频截图。

图2 火焰视频图像

图3 子区域尺寸与混合系数关系

子区域尺寸为10×10时，灰度等级分别为4、8、16、32时对应的灰度等级与混合系数的关系曲线如图4所示。

图4 灰度等级与混合系数关系

由图4可见：当灰度等级为4时，混合系数小，无法表征混合较好的状态；当灰度等级为16、32时，混合系数接近于1，不利于表征更好的混合状态。因此，选择灰度等级为8。

对图2中的3个火焰视频图像进行灰度处理，其效果如图5所示。图5中的黑直线将火焰图像分为2个区域，其中图5a)为黑线右侧区域，该测量区域内的亮色像素点较多，低亮度像素点少并且分散；图5b)为黑线右上侧区域，该测量区域内低亮度像素点较多且较集中；图5c)为黑线左上侧区域。根据电厂锅炉工程师现场运行经验，图5a)的混合效果优于图5b)，而图5c)的测量区域内低亮度像素点多且位置分布广，混合效果较差。由此可以得出混合效果从好到差的顺序依次是图5a)、图5b)、图5c)。

图5 灰度分级处理后的火焰视频图像

计算图2中3个火焰视频图像在子区域尺寸分为10×10，灰度等级为8，权重系数为0.6时的灰度参量值、灰度位置分布参量值和混合系数值，结果如图6所示。

由图6可以看出：灰度参量的亮度信息表征燃烧的剧烈情况，能够显著地反映煤粉与热烟气混合状态；灰度位置分布参量也能够反映混合状态，但是不如灰度参量区分的效果好。因此，在计算混合系数时，选取权重系数为0.6，体现灰度参量的权重高于灰度位置分布参量。可见，通过采用混合系数能够区分3种不同燃烧状况的火焰视频中的混合效果，表明混合系数可以量化评价混合效果。

4 结 语

根据火焰图像，建立描述煤粉与热流混合效果的状态参数，构建了度量混合效果的混合系数，实现了煤粉与热流混合效果的数值评价。实际应用结果表明，通过采用混合系数能够区分3种不同燃烧状况的火焰视频中的混合效果，表明混合系数可以量化评价混合效果。该评价方法为锅炉精细化燃烧优化提供了一种可量化控制的全新燃烧状态空间参量。

［1］ 闫顺林, 王冬生, 李永华, 等. 锅炉燃烧稳定性影响因素分析[J]. 电站系统工程, 2005, 21(1): 20-30.

YAN Shunlin, WANG Dongsheng, LI Yonghua, et al. Analysis of the influential factors to boiler combustion stability[J]. Power System Engineering, 2005, 21(1): 20-30.

［2］ 肖海平, 张千, 王磊, 等. 燃烧调整对NO排放及锅炉效率的影响[J]. 中国电机工程学报, 2011, 31(8): 1-6.

XIAO Haiping, ZHANG Qian, WANG Lei, et al. Effect of combustion adjustment on NOemission and boiler efficiency[J]. Proceedings of the CSEE, 2011, 31(8): 1-6.

［3］ 刘建全, 孙保民, 胡永生, 等. 某1 000 MW超超临界双切圆锅炉燃烧特性的数值模拟与优化[J]. 中国电机工程学报, 2012, 32(20): 34-41.

LIU Jianquan, SUN Baomin, HU Yongsheng, et al. Numerical simulation and optimization on combustion of a 1 000 MW ultra supercritical dual tangential circle boiler[J]. Proceedings of the CSEE, 2012, 32(20): 34-41.

［4］林玥廷, 张维奇, 林英明, 等. 考虑燃煤机组健康度与负荷转移的连锁故障供防控策略[J]. 电力系统保护与控制, 2019, 47(17): 101-108.

LIN Yueting, ZHANG Weiqi, LIN Yingming, et al. Control strategy of cascading failures considering the health degree of coal-fired units and load transfer[J]. Power System Protection and Control, 2019, 47(17): 101-108.

［5］ 刘建全, 孙保民, 张广才, 等. 1 000 MW超超临界旋流燃烧锅炉稳燃特性数值模拟与优化[J]. 中国电机工程学报, 2012, 32(8): 19-27.

LIU Jianquan, SUN Baomin, ZHANG Guangcai, et al. Numerical simulation and optimization on stable combustion of a 1 000 MW ultra supercritical unit swirl combustion boiler[J]. Proceedings of the CSEE, 2012, 32(8): 19-27.

［6］ 张宏博, 秦国彤, 纪任山, 等. 煤粉燃烧过程的数值模拟[J]. 北京航空航天大学学报, 2009, 35(5): 536-539.

ZHANG Hongbo, QIN Guotong, JI Renshan, et al. Numerical simulation of pulverized-coal combustion[J]. Journal of Beijing University of Aeronautics and Astronautics, 2009, 35(5): 536-539

［7］ BAE H, KIM S, WANG B, et al. Flame detection for the steam boiler using neural networks and image information in the Ulsan steam Power generation plant[J]. IEEE Transactions on Industrial Electronics, 2006, 53(1): 338-348.

［8］ GONZÁLEZ-CENCERRADO A, PEÑA B, GIL A. Coal flame characterization by means of digital image processing in a semi-industrial scale PF swirl burner[J]. Applied Energy, 2012, 94(6): 375-384.

［9］ 吴一全, 宋昱, 周怀春. 基于灰度熵多阈值分割和SVM的火焰图像状态识别[J]. 中国电机工程学报, 2013, 33(20): 66-73.

WU Yiquan, SONG Yu, ZHOU Huaichun. State identi-fication of boiler combustion flame images based on gray entropy multiple thresholding and support vector machine[J]. Proceedings of the CSEE, 2013, 33(20): 66-73.

［10］ 吴一全, 朱丽, 周怀春. 基于Krawtchouk矩和支持向量机的火焰状态识别[J]. 中国电机工程学报, 2014, 34(5): 734-740.

WU Yiquan, ZHU Li, ZHOU Huaichun. State recognition of flame images based on Krawtchouk moment and support vector machine[J]. Proceedings of the CSEE, 2014, 34(5): 734-740.

［11］ 韩璞, 张欣, 王兵, 等. 基于神经网络的交互式炉膛火焰图像识别[J]. 中国电机工程学报, 2008, 28(20): 22-26.

HAN Pu, ZHANG Xin, WANG Bing, et al. Interactive method of furnace flame image recognition based on neural networks[J]. Proceedings of the CSEE, 2008, 28(20): 22-26.

［12］ 张雪, 丁艳军, 郑康捷, 等. 基于多信息融合的旋流燃烧器燃烧状态评价[J]. 中国电机工程学报, 2010, 30(2): 23-28

ZHANG Xue, DING Yanjun, ZHENG Kangjie, et al. Combustion state evaluation of swirl burner based on multi-source information fusion[J]. Proceedings of the CSEE, 2010, 30(2): 23-28.

［13］ KRABICKA J, LU G, YAN Y. Profiling and characteri-zation of flame radicals by combining spectroscopic imaging and neural network techniques[J]. IEEE Transac-tions on Instrumentation & Measurement, 2011, 60(5): 1854-1860.

［14］ 顾燕萍, 赵文杰, 吴占松. 基于最小二乘支持向量机的电站锅炉燃烧优化[J]. 中国电机工程学报, 2010, 17(17): 91-97.

GU Yanping, ZHAO Wenjie, WU Zhansong. Combustion optimization for utility boiler based on least square-support vector machine[J]. Proceedings of the CSEE, 2010, 17(17): 91-97.

［15］苏杰, 孙金龙, 刘友宽, 等. 基于仿人智能控制的火电厂AVC系优化研究[J]. 电力系统保护与控制, 2018, 46(2): 157-162.

SU Jie, SUN Jinlong, LIU Youkuan, et al. Research on AVC system optimization of power plant based on human-simulated intelligent control[J]. Power System Protection and Control, 2018, 46(2): 157-162.

［16］ CHEN J, CHAN L L T, CHENG Y C. Gaussian process regression based optimal design of combustion systems using flame images[J]. Applied Energy, 2013, 111 (Complete): 153-160.

［17］ YAN W, LOU C. Two-dimensional distributions of temperature and soot volume fraction inversed from visible flame images[J]. Experimental Thermal & Fluid Science, 2013, 50(6): 229-233.

［18］ SNOWPER T, ZELTNER D, TREE D R, et al. Two-dimensional flame temperature and emissivity measure-ments of pulverized oxy-coal flames[J]. Applied Energy, 2012, 95(2): 38-44.

［19］ 符泰然, 杨臧健, 程晓舫. 基于彩色CCD测量火焰温度场的算法误差分析[J]. 中国电机工程学报, 2009, 2(2): 81-86.

FU Tairan, YANG Zangjian, CHENG Xiaofang. Calculation errors of flame temperature field measure-ments based on color CCD[J]. Proceedings of the CSEE, 2009, 2(2): 81-86.

［20］ 李新利, 李玲, 卢钢, 等. 基于火焰自由基成像和支持向量机的燃烧过程NO排放预测[J]. 中国电机工程学报, 2015, 35(6): 1413-1419.

LI Xinli, LI Ling, LU Gang, et al. NOemission predict-tion based on flame radical profiling and support vector machine[J]. Proceedings of the CSEE, 2015, 35(6): 1413-1419.

［21］ 刘禾, 周茵, 石晓峰, 等. 基于RBF神经网络的煤 粉着火判别[J]. 模式识别与人工智能, 2005, 18(3): 366-369.

LIU He, ZHOU Yin, SHI Xiaofeng, et al. Judging fire of pulverized coal based on RBF neural network[J]. Pattern Recognition and Artificial Intelligence, 2005, 18(3): 366-369.

［22］ QIU T, YAN Y, LU G. An Auto adaptive edge-detection algorithm for flame and fire image processing[J]. IEEE Transactions on Instrumentation & Measurement, 2012, 61(5): 1486-1493.

［23］ RAZMI S M, SAAD N, ASIRVADAM V S. Vision-based flame analysis using motion and edge detection[C]. 2010 International Conference on Intelligent and Advanced Systems (ICIAS). IEEE, 2010: 1-4.

［24］ KALPANA Y, PADMAA M. An efficient edge detection algorithm for flame and fire image processing[C]. 2014 International Conference on Communications and Signal Processing (ICCSP). IEEE, 2014: 696-700.

［25］ 赵东声, 高忠臣, 刘伟. 碳捕集火电与梯级水电联合优化的低碳节能发电调度[J]. 电力系统保护与控制, 2019, 47(15): 148-155.

ZHAO Dongsheng, GAO Zhongchen, LIU Wei. Low-carbon energy-saving power generation dispatching optimized by carbon capture thermal power and cascade hydropower[J]. Power System Protection and Control, 2019, 47(15): 148-155.

［26］ 刘禾, 胡叙畅, 杨国田, 等. 一种基于燃烧图像的煤粉与炉内热流混合效果度量方法: 201610269775.8[P]. 2016-08-031[2019-04-03].

LIU He, HU Xuchang, YANG Guotian, et al. A method for measuring the mixing effect of pulverized coal and heat flow in furnace based on combustion image: 201610269775.8[P]. 2016-08-31[2019-04-03].

［27］ 杨凯淇, 许丹, 谢华宝, 等. 计及燃气-蒸汽联合循环机组的热电联合调度模型[J]. 电力系统保护与控制, 2019, 47(8): 137-144.

YANG Kaiqi, XU Dan, XIE Huabao, et al. Combined heat and power dispatching model based on gas-steam combined cycle unit[J]. Power System Protection and Control, 2019, 47(8): 137-144.

Evaluation method and application of mixture effect of pulverized coal and heat flux in furnace based on flame image

YU Lei1, LIU He1, YANG Guotian1, LI Xinli1, HU Xuchang2

(1. School of Control and Computer Engineering, North China Electric Power University, Beijing 102206, China;2. Hangzhou Applied Acoustics Research Institute, Hangzhou 310023, China)

The mixture effect of pulverized coal injected from burners and heat flux in furnace greatly affect the ignition position, ignition rate, combustion stability and efficiency of pulverized coals. Currently, there’s lack of quantitative method to evaluate the mixture result. To solve this problem, this paper proposes a method evaluating the mixture effect of pulverized coal and heat flux based on combustion flame image. The measurement region in the combustion image is selected to evaluate the mixture effect according to the combustion flame image feature. In the region, the gray parameters and gray position distribution parameters which reflect the mixture result are built, and finally a mixture coefficient which can quantitatively evaluate the mixture result is constructed with the gray parameters and gray position distribution parameters. The application result shows that, this evaluation method can effectively evaluate the mixture effect, which provides a new combustion state space parameter that can be controlled quantitatively for boiler fine combustion optimization.

pulverized coal, heat flux, mixture effect, mixing coefficient, flame image, refined combustion, combustion efficiency

Fundamental Research Funds for the Central Universities (2016MS48)

TK224.1

A

10.19666/j.rlfd.201903070

于磊, 刘禾, 杨国田, 等. 基于火焰图像的煤粉与炉内热流混合效果评价方法及应用[J]. 热力发电, 2019, 48(12): 105-110. YU Lei, LIU He, YANG Guotian, et al. Evaluation method and application of mixture effect of pulverized coal and heat flux in furnace based on flame image[J]. Thermal Power Generation, 2019, 48(12): 105-110.

2019-03-25

中央高校基本科研业务费专项资金资助(2016MS48)

于磊(1983)，男，工学硕士，工程师，主要从事过程检测与控制技术实验教学与研究，reallyzeus@163.com。

（责任编辑 马昕红）